[发明专利]基于自适应深度学习的新能源锂电池表面缺陷检测方法

说明书

本发明公开了一种基于自适应深度学习的新能源锂电池表面缺陷检测方法。包括：对锂电池表面灰度图像进行非线性映射；将解耦的照射分量和反射分量变换至频域；对频域数据进行滤波、傅里叶反变换、指数变换，得到重构锂电池图像；基于形态学处理、背景差分，增强缺陷处的灰度响应；进行图像分割、连通域分析筛选处理，将结果作为标注图像；设计算子模拟光照细节，对锂电池表面灰度图像进行样本增强操作；基于增强的样本图像集与标注图像，训练深度卷积神经网络；基于训练好的网络实现锂电池表面缺陷检测。利用本发明，可以在锂电池表面缺陷检测场景中，提高检测效率，降低误检率。

技术领域

本发明涉及计算机视觉、深度学习技术领域，具体涉及一种基于自适应深度学习的新能源锂电池表面缺陷检测方法。

背景技术

锂电池广泛的应用于移动设备、新能源汽车、家电等领域，为我们的生活带来了极大的便捷。锂电池具有能量密度高、使用寿命长自放电率低的特点，其一般是使用锂合金为负极材料、使用非水电解质溶液的电池。对于软包装电池一般在业态溶液套上聚合物外壳，并在结构上采用铝塑膜进行包装，正是由于软包装的特点，在企业的生产过程中常常由于密封不严、不均匀，或者是生产过程中的磕碰都会导致电池表面出现凸包缺陷，这种缺陷严重的影响了电池的安全性、使用寿命和性能，必须对锂电池表面缺陷，尤其是凸包现象进行严格检查。

一些小型锂电池企业的主要检测方式是人工进行质检，使电池旋转一周，然后通过人眼进行观察，这种方式效率极低、误检率高。因此，开始出现基于图像处理的锂电池检测研究。

一般的锂电池，例如18650锂电池，或类似的柱状锂电池都需要连续采集各个柱面的影像来得到完整的结果，一般较为先进的采集设备可以通过三至四张采集图像进行拼接得到完整的柱面图像。

一些研究提出的采用相机加深度学习的方式对电池外观进行检查，这种方式需要大量的数据集标注，同时过度依赖三维点云信息，并且受数据集的标注影响很大。目前采用深度学习的方法主要是先获得电池三维点云模板，然后进行模板匹配的方式进行缺陷检查，之后生成标注，这种检测方式很不稳定、速度慢、且对于微小的凸包缺陷无法检测，导致检测速度慢、漏检率高。

另一些研究提出用几十余种打光方式综合得到缺陷，以清华大学洛阳高端装备研究院的最新产品为例。该设备使用四百余种光源，则相机需要连续采集足够多的图像才能保证每种光源的照射后的图像都能被捕捉。由于光控系统复杂且相机帧率存在技术限制，该方法检测标称时间为四分之一秒左右，但该系统明显无法调用所有光源，且无法直接通过单种光源的图像采集来得到结果。此类系统参数过于复杂，在生产中、维护时调参和校准的工作费时费力，且无法达到理论上的性能最优，导致虽然漏检率低，但误报率高。

因此，现有锂电池表面缺陷检测技术存在检测效率低、误检率高的问题。

发明内容

本发明提供了一种基于自适应深度学习的新能源锂电池表面缺陷检测方法，该方法基于计算机视觉技术、深度学习技术实现了锂电池表面缺陷检测，检测效率更高，误检率更低。

一种基于自适应深度学习的新能源锂电池表面缺陷检测方法，该方法包括：

步骤一，采集锂电池表面灰度图像，利用非线性算子对锂电池表面灰度图像进行非线性映射，解耦照射分量和反射分量：

ln(G(x,y)+1)＝ln(I(x,y)+1)+ln(R(x,y)+1)

其中，G为锂电池表面灰度图像，I为照射分量，R为反射分量，(x，y)为像素点坐标；

步骤二，通过傅里叶变换将解耦的照射分量和反射分量变换至频域；

步骤三，利用高斯高通滤波器分别对照射分量的频域数据和反射分量的频域数据进行滤波，得到滤波锂电池频域数据：

G′(u,v)×H(u,v)＝I′(u,v)×H(u,v)+R′(u,v)×H(u,v)